关注到大模型能成为蝴蝶的翅膀，全球化移动互联网企业 APUS创始人李涛比许多人早得多。

第一次是在2019年，李涛和字节跳动创始人张一鸣、红杉中国创始人沈南鹏在硅谷见到了OpenAI创始人Sam Altman。Altman通过视频demo向所有人展示了GPT-2操作游戏DOTA2的过程，“很震撼”。

只是那时，所有人都觉得Altman口中“做一个通用人工智能的引擎”的计划太过遥远和模糊，没有人下定决定投这样一家充满理想主义的企业。

第二次，是在多数从业者都能感到的奇点时刻——2022年11月，ChatGPT炸场。彼时，APUS已完成了从“出海”到“全球化”的战略更迭，正全力发展企业的第二曲线。 

成立于2014年的APUS，是最早把“出海”的概念带进创投圈的公司之一。基于Launcher桌面系统、清理安全、加速等工具类产品，APUS的用户增长实现了“上线1个月超千万，6个月破亿”的成绩。目前，APUS全球用户量已超24亿，覆盖200多个国家和地区。

“出海”从来都伴随着未知与变数，APUS在高速发展中也受到时局等多重因素影响——被封杀、被打压，是出海企业难以规避的“漩涡”。“社会政治环境以及国际格局对企业的影响还是很大的，我们没有能力阻挡这种冲突所带来的影响，这超过了一个创业企业所能够承担的。”李涛坦言。

痛定思痛，自2019年起，APUS将发展战略从“出海”进化为”全球化“，既分散了单一市场风险，弱化了国际关系变化对企业的影响，也为其开拓美国、日本、欧洲以及国内等更大海域带来机遇。

战略的变化透露着思维模式的改变，李涛告诉36氪，APUS面对的是全球竞争者，嗅觉要格外敏锐，动作要足够敏捷，“作为技术驱动型企业，在与全球巨头竞合的过程中，我们一直对技术革新保持极高的关注，还要匹配随时升级迭代产品的能力。”

ChatGPT一经公开，APUS就基于大模型进行了一系列业务改革——1月，APUS所有内部系统已全部接入人工智能，用以提升办公效率；随后，APUS用人工智能对现有的产品进行改造升级——时间比国内年后席卷的热潮提前了近两个月。

APUS创始人李涛。图源：视觉中国

对于中国能否做出下一个ChatGPT，转换思维模式后的李涛也总结出了中国创业者的一套AI打法：小模型领跑，大模型蓄力——这关乎行业资源，也关乎社会价值观。以下是36氪和李涛的对话：

理想的驱动，商业化的管理

36氪：为什么国内关注到ChatGPT比海外晚了2个月？

李涛：一方面是企业发展战略的问题。因为国内大部分企业关注的都是国内市场，不在海外，所以敏感度不是很高。

另一方面是价值观的问题。2019年我在美国硅谷见到Sam Altman，那个时候他刚从YC孵化器的总裁位上退下来，决定专心做OpenAI。他当时和我们说自己要做一个“人工智能的通用引擎”，但是没有人理解。我觉得中国很多科技企业的想象力都被商业化给扼杀掉了，这个本质上是中国社会对“钱”的态度问题，很多投到企业上的钱都追求回报。

36氪：您觉得价值观如何影响科技走向？

李涛：科技创新常常由商业+价值观同时驱动，马斯克经营企业的时候，绝对有商业的成分在，但他选择做很多事的时候，也受他个人的价值观影响，比如造火箭上太空——在价值观驱动的同时，用商业化的方式来管理和提升效率。

而显然更普遍的科技创新是由商业驱动，在新技术的实用性还没被验证的时候，还没有体现出很强的商业价值的时候，企业以及所有社会层面都很难下决心去推动。

36氪：大模型的实用性目前有得到证明吗？

李涛：这是一个还有待证明的事。

36氪：您觉得发展大模型的必要性在哪？

李涛：虽然大模型的实用性没有被证明，但中国企业也不是完全没有想象力。我们目前已经看到了商业价值的端倪，只是还没办法评估。

大模型的核心价值其实就在于：当它的算力足够多、数据量足够大、算法足够丰富的时候，就能用来辅助训练各种各样的中模型和小模型。

小模型的能力来源有三个，一是基于特定场景的数据从0训练，二是基于中模型用疼场景数据训练，三是基于大模型。这么区分的原因是因为三者所需的算力成本不一样。比如人脸识别是一个小场景，所需的参数很少，用人脸数据直接从0训练的成本不高，就不需要大模型辅助。

虽然基于大模型训练要的算力成本高，但相对而言准确定也更高，能够应用于更多场景。举个简单的例子，北京交通拥堵的问题80%的原因不在于车多，而在于交通系统的配合程度低。红绿灯的位置、不同路口亮灯的时长、灯与灯之间的配合，在大模型出现之前，这些海量的交通数据是难以处理的，相应的问题也很难得到解决。但有了大模型，这些交通规划的问题就能被解决。

抓住场景和数据发展小模型，为算法和算力蓄力

36氪：价值观的问题需要时间去改变，当下国内企业能否发挥能动性，推动大模型的发展？

李涛：刚才我们聊的是理想主义的培养，但从商业化的现实角度来讲，我觉得国内人工智能落地有4步走：内部提效工具、现有产品进化，AI+场景重塑、构建新产业引擎。

第一步是内部提效工具。从今年1月份开始，APUS所有的内部系统全都接入了人工智能来提升效率。我们投喂了自己历史上的业务数据。现在所有业务的自动化投产都是实时的，每一秒钟花了多少钱、赚了多少钱、增长了多少用户，都是典型的小模型应用场景。

第二步现有产品进化，也就是用人工智能来改造我们现有的一些产品。在结合人工智能、和用户频繁产生交互的工程中，就能找到新的场景和服务，这就是第三步AI+场景重塑。第四步也有一些普惠的意思，公开成熟模型的API，助力产业发展。

36氪：对中国创业者来说有么有比较好的切入点？ 

李涛：英伟达A100的芯片也好、大的算力也好，客观来讲是要花十年的时间追赶的部分。但这也不是绝对的。举个例子，Meta做过一个测试，130B参数的模型输出的结果有时比超过1750亿参数的GPT-3要好，原因是小模型的算法更强。

所以模型的优化本质上是基于算法的优化。模型的4要素是数据、场景、算法、算力。中国有数据有场景，就能把模型的算法打磨出来。算力是短时间只能难以追上的，那就先把前3个要素拿在手里。

36氪：现阶段算力的问题怎么解决？

李涛：我觉得中国应该先建立起中模型和小模型，在各个场景上先使用起来。换句话说，在先进科技面前我们不要掉队，这非常重要。

要意识到，落到具体场景是需要中模型和小模型来支撑的。现阶段中国不能完全没有自己的模型，换句话说中国人做场景服务，不能直接用别人的大模型，一是成本高，二是牵涉数据安全。

但海外公司的算力，是可以帮助中国公司来训练小模型的。比如说基于GPT，中国的企业可以先对一些场景进行可行性的验证，在AI能够跑通的场景，我们再用自己的数据去训练，那试错成本就会降低。

还有一点，我觉得是需要联合社会政府力量一起来做的。在风口中很多公司决定做模型，我们需要从正反两面看待这个现象。一方面，这个热潮对行业价值观和社会认知的培养是好事；另一方面，太多人入局也会造成算力资源的分散。

中国现在的问题是基础设施和企业剥离，企业的设施基本上是针对业务商业化来做的，而国家也有大量的超算中心，但是两边的资源没有打通。所以喊口号是没用的，要做好资源整合才能做行业发展的后盾。

所以，只要积极结合社会发展的特点，人工智能行业在中国就不存在跑不通的现象。